Yapay zekâ destekli kentsel öngörü: Metropol bölgelerinde çok senaryolu arazi örtüsü tahmini için ConvLSTM ağları

Baskı Altındaki Şehirler

Dünya genelinde hızla büyüyen şehirler, yeni konutların, yolların ve ulaşım hatlarının nereye inşa edileceğine karar verirken yaşanabilirliklerini koruyan doğayı yok etmemeye çalışıyor. Bu makale, yeni bir yapay zekâ türünün toplulukların onlarca yıl sonrası için farklı büyüme, trafik ve koruma senaryolarını test etmesine nasıl yardımcı olabileceğini gösteriyor; kazma toprağa değmeden önce farklı gelecekleri sınamak mümkün oluyor. Colorado’nun büyük metropol bölgelerine odaklanan yazarlar, yapay zekânın neredeyse 40 yıllık uydu görüntülerini akıllı, daha yeşil şehirleşmeyi yönlendiren pratik haritalara nasıl dönüştürebileceğini ortaya koyuyor.

Bir Bilgisayara Şehir Büyümesini İzlemeyi Öğretmek

Çoğu kentsel öngörü aracı bir oyun tahtası gibi çalışır: bir haritadaki her kare yalnızca kendi mevcut durumu ve hemen komşularıyla ilgili basit kuralları izler. Bu Hücresel Otomat modelleri, geçmişin sadece birkaç anlık görüntüsü olduğunda hızlı ve faydalıdır. Ancak uzun tarihsel veriler olduğunda ve planlamacılar 20–30 yıllık gelecekle ilgilendiğinde, birkaç yıllık tahminlerle baş etmekte zorlanırlar. Bu çalışmada yazarlar bunun yerine hem mekânsal hem de zamansal değişimleri tanımaya uygun ConvLSTM adlı derin öğrenme modelini kullanıyor. Colorado’nun imar planlama alanları için 39 ardışık yıla ait ayrıntılı arazi örtüsü verisini modele vererek, banliyölerin nasıl yayıldığı, merkezlerin nasıl yoğunlaştığı ve doğal alanların nasıl azaldığı gibi uzun vadeli desenleri görmeyi öğretiyorlar.

Sadece Tek Bir Gelecek Değil, Farklı Gelecekleri Keşfetmek

Araştırmacılar, yapay zekâyı Colorado şehirleri için tek bir kaderi tahmin etmeye zorlamak yerine, onu Colorado Su Planı’ndan alınan beş hikâye dizisiyle eşleştiriyor. Bu senaryolar, olağan devam eden büyümeden zayıf bir ekonomiye; işbirlikçi, sıkı dokulu şehirlerden az kural ile hızlı genişlemeye kadar uzanıyor. Her hikâye için basit istatistiksel modeller beklenen nüfusu, her tür kentsel gelişmenin muhtemelen kaplayacağı toplam arazi miktarına çeviriyor. ConvLSTM ise nerede olacağını sağlıyor: her pikseli, dört dekad boyunca gözlenen davranışlara dayanarak gelişme olasılığına göre sıralıyor. Ayrı bir tahsis adımı bu iki parçayı harmanlıyor: her gelişme türü için arazi talebi karşılanana kadar en yüksek sıralı lokasyonlar seçiliyor.

Büyümenin Etrafına Koruma Bariyerleri Koymak

Önemli olarak, sistem manzarayı boş bir tuval olarak ele almıyor. Nihai haritalar çizilmeden önce, modelin ham olasılıkları insan önceliklerini yansıtacak şekilde sessizce ayarlanıyor. Hukuken korunan alanlar, kritik vahşi yaşam habitatları ve sulak alanlara neredeyse hiç kentleşme şansı verilmezken, otobüs ve raylı sistem istasyonlarına yakın alanlara ulaşım odaklı mahalleleri teşvik etmek için artı puan veriliyor. Bu ayarlamalar olasılıklara sonradan eklenmek yerine onların içine gömüldüğü için, yapay zekâ yasaklı bölgelerden doğal olarak kaçınıyor ve desen içinde tuhaf boşluklar yaratmıyor. Bu tasarım, planlamacıların korunma kurallarının ve toplu taşıma yatırımlarının etkisini test etmesine izin verirken, önemli değerlerin insanlarda —algoritmalarda değil— kalmasını sağlıyor.

Uzun Vadeyi Daha Net Görmek

Yazarların “Zamansal Derinlik Paradoksu” adını verdikleri en şaşırtıcı bulgulardan biri, modelin geleceğe daha uzak bakıldıkça aslında daha doğru hale gelmesi. Tahminleri gerçek dünyadaki değişikliklerle karşılaştırdıklarında, kısa vadeli bir yıllık tahminler zayıf performans gösterirken, 20 yıllık tahminler çok daha iyi sonuç verdi; özellikle şehirlerin genişleyen kenarlarında. Basitçe söylemek gerekirse, yapay zekâ günlük gürültüden ziyade yavaş ve kalıcı trendleri tanımada daha başarılı görünüyor. Şehir kenarlarındaki yeşil alanlardaki yeni gelişmeleri güvenilir şekilde yakalarken, yoğun kent merkezleri yeniden geliştirme kararlarının birçok küçük, yerel kararla sürülmesi nedeniyle tahmin edilmesi daha zor kalıyor. Bu araç, büyümenin genel yönünün hangi parselin ilk değişeceğinden daha önemli olduğu uzun vadeli planlama için özellikle değerli hale geliyor.

Daha Akıllı Tahminlerin Günlük Hayat İçin Anlamı

Senaryoları çalıştırarak çalışma, bugünkü tercihlerin onlarca yıl sonra kentsel form, altyapı maliyetleri ve doğa üzerinde nasıl dalga dalga etkiler yarattığını gösteriyor. Örneğin, sıkı düzenlemelerin olduğu kompakt bir “Uyarlanabilir Yenilik” geleceği, büyümeyi daha az ve daha yoğun yamalara yoğunlaştırarak yol verimliliğini yaklaşık yüzde 20,5 iyileştiriyor ve gevşek düzenlenmiş yayılmaya göre 2050’ye kadar yaklaşık 1.000 hektar daha fazla doğal alanı koruyor. Pratikte bu, kişi başına daha az boru ve asfalt uzunluğu, vergi mükellefleri için daha düşük bakım faturaları ve daha fazla yakın park ve habitat anlamına geliyor. Çalışma, yapay zekânın kamu hedefleri ve açık kurallarla sıkı şekilde bağlandığında güçlü bir planlama müttefiki olabileceğini; toplulukların takasları karşılaştırmasına, değer verilen peyzajları korumasına ve hem daha verimli hem de daha insancıl şehirler inşa etmesine yardımcı olabileceğini gösteriyor.

Atıf: Mahmoud, M.F., Arabi, M. AI-enhanced urban forecasting: ConvLSTM networks for multi-scenario land cover prediction in metropolitan regions. npj Urban Sustain 6, 31 (2026). https://doi.org/10.1038/s42949-026-00338-9

Anahtar kelimeler: kentsel büyüme tahmini, yapay zekâ planlama, sürdürülebilir şehirler, arsa kullanımı değişimi, senaryo modelleme